DE19158556T1 - Quantitative 3d-analyse von netzhautschichten mit tiefenlernen - Google Patents

Quantitative 3d-analyse von netzhautschichten mit tiefenlernen Download PDF

Info

Publication number
DE19158556T1
DE19158556T1 DE19158556.1T DE19158556T DE19158556T1 DE 19158556 T1 DE19158556 T1 DE 19158556T1 DE 19158556 T DE19158556 T DE 19158556T DE 19158556 T1 DE19158556 T1 DE 19158556T1
Authority
DE
Germany
Prior art keywords
image
physiological tissue
pixel
training
type
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE19158556.1T
Other languages
English (en)
Inventor
Mao ZAIXING
Wang ZHENGUO
Chan KINPUI
Fukuma Yasufumi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Topcon Corp
Original Assignee
Topcon Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Topcon Corp filed Critical Topcon Corp
Publication of DE19158556T1 publication Critical patent/DE19158556T1/de
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

Verfahren, umfassend:
Trainieren eines maschinellen Lernsystems mit mindestens zwei Trainingsbildern, wobei ein erstes der Trainingsbilder von einer ersten Art physiologischen Gewebes erlangt wird und ein zweites der Trainingsbilder von einer zweiten Art physiologischen Gewebes erhalten wird, wobei das maschinelle Lernsystem darauf trainiert wird, Unterschiede in den Trainingsbildern zwischen der ersten und der zweiten Art physiologischen Gewebes zu erkennen,
Eingeben eines Bildes von einem physiologischen Gewebe eines Subjekts in das trainierte maschinelle Lernsystem,
wobei das trainierte maschinelle Lernsystem Wahrscheinlichkeiten identifiziert, dass Pixel in dem Bild zur ersten Art physiologischen Gewebes und/oder zur zweiten Art physiologischen Gewebes gehören, wobei jede Wahrscheinlichkeit einem Pixel des Bildes entspricht, und
Identifizieren einer Grenze in dem Bild zwischen der ersten und der zweiten Art physiologischen Gewebes oder Bestimmen einer Eigenschaft der ersten oder der zweiten Art physiologischen Gewebes basierend auf den identifizierten Wahrscheinlichkeiten.

Claims (20)

  1. Verfahren, umfassend: Trainieren eines maschinellen Lernsystems mit mindestens zwei Trainingsbildern, wobei ein erstes der Trainingsbilder von einer ersten Art physiologischen Gewebes erlangt wird und ein zweites der Trainingsbilder von einer zweiten Art physiologischen Gewebes erhalten wird, wobei das maschinelle Lernsystem darauf trainiert wird, Unterschiede in den Trainingsbildern zwischen der ersten und der zweiten Art physiologischen Gewebes zu erkennen, Eingeben eines Bildes von einem physiologischen Gewebe eines Subjekts in das trainierte maschinelle Lernsystem, wobei das trainierte maschinelle Lernsystem Wahrscheinlichkeiten identifiziert, dass Pixel in dem Bild zur ersten Art physiologischen Gewebes und/oder zur zweiten Art physiologischen Gewebes gehören, wobei jede Wahrscheinlichkeit einem Pixel des Bildes entspricht, und Identifizieren einer Grenze in dem Bild zwischen der ersten und der zweiten Art physiologischen Gewebes oder Bestimmen einer Eigenschaft der ersten oder der zweiten Art physiologischen Gewebes basierend auf den identifizierten Wahrscheinlichkeiten.
  2. Verfahren nach Anspruch 1, wobei die erste Art physiologischen Gewebes und die zweite Art physiologischen Gewebes verschiedene Schichten einer Netzhaut sind.
  3. Verfahren nach einem der vorhergehenden Ansprüche, wobei die erste Art physiologischen Gewebes eine Aderhaut und die zweite Art physiologischen Gewebes eine Lederhaut ist.
  4. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Trainingsbilder zweidimensionale En-Face-Bilder sind.
  5. Verfahren nach Anspruch 4, wobei die zweidimensionalen En-Face-Bilder durch Verflachen volumetrischer Bilddaten in Bezug auf eine Referenzschicht erzeugt werden.
  6. Verfahren nach Anspruch 5, wobei die Referenzschicht die Bruch-Membran ist.
  7. Verfahren nach einem der Ansprüche 4 bis 6, wobei die zweidimensionalen En-Face-Bilder durch eine festgelegte Tiefe getrennt werden.
  8. Verfahren nach einem der vorhergehenden Ansprüche, wobei das erste Trainingsbild von einem ersten 3D-Volumen von Trainingsbilden stammt und das zweite Trainingsbild von einem zweiten 3D-Volumen von Trainingsbildern stammt, wobei eine Mitte des ersten 3D-Volumens eine festgelegte Anzahl an Pixeln von einer Mitte des zweiten 3D-Volumens entfernt ist.
  9. Verfahren nach einem der vorhergehenden Ansprüche, ferner Folgendes umfassend: Erzeugen einer Wahrscheinlichkeitsabbildung für die Pixel in dem Bild das in das Modell eingegeben wird, wobei jedes Pixel der Wahrscheinlichkeitsabbildung die identifizierte Wahrscheinlichkeit eines entsprechenden Pixels des in das Modell eingegebenen Bildes darstellt.
  10. Verfahren nach einem der vorhergehenden Ansprüche, ferner Folgendes umfassend: Vergleichen der identifizierten Wahrscheinlichkeiten für Pixel in einer A-Linie des Bildes mit einem festgelegten Schwellenwert.
  11. Verfahren nach Anspruch 10, wobei ein Grenzpixel in der A-Linie als das erste Pixel identifiziert wird, dessen Wahrscheinlichkeit gleich oder größer als der festgelegte Schwellenwert ist, wobei das Grenzpixel ein Pixel der identifizierten Grenze ist.
  12. Verfahren nach Anspruch 10, wobei ein Grenzpixel in der A-Linie als das erste Pixel in einem Satz von Pixeln identifiziert wird, wobei jedes Pixel in dem Satz von Pixeln eine identifizierte Wahrscheinlichkeit aufweist, die gleich oder größer als der festgelegte Schwellenwert ist.
  13. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Grenze in dem Bild gemäß einer Kürzester-Weg-Suchtechnik identifiziert wird.
  14. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Grenze in dem Bild gemäß einer Technik des maschinellen Lernens identifiziert wird.
  15. Verfahren nach einem der vorhergehenden Ansprüche, ferner Folgendes umfassend: Extrahieren jedes Pixels in dem Bild des Subjekts, das gleich oder größer als ein festgelegter Schwellenwert ist.
  16. Verfahren nach Anspruch 15, wobei die extrahierten Pixel ein 3D-Volumen bilden und das Verfahren ferner das Anzeigen des durch die extrahieren Pixel gebildeten 3D-Volumens umfasst.
  17. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Bild Teil eines 3D-Volumens von Bildern ist, wobei mehrere Bilder des 3D-Volumens in das trainierte maschinelle Lernsystem eingegeben werden und eine identifizierte Grenze zwischen der ersten und der zweiten Art physiologischen Gewebes oder eine bestimmte Eigenschaft der ersten und der zweiten Art physiologischen Gewebes aufweisen.
  18. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Unterschiede zwischen dem ersten und dem zweiten Trainingsbild Texturunterschiede zwischen der ersten und der zweiten Art physiologischen Gewebes sind.
  19. Verfahren nach einem der vorhergehenden Ansprüche, ferner Folgendes umfassend: Vorverarbeiten des ersten oder des zweiten Trainingsbildes, bevor das maschinelle Lernsystem trainiert wird.
  20. Verfahren nach einem der vorhergehenden Ansprüche, ferner Folgendes umfassend: Vorverarbeiten des Bildes des physiologischen Gewebes des Subjekts, bevor das Bild in das trainierte maschinelle Lernsystem eingegeben wird.
DE19158556.1T 2018-02-21 2019-02-21 Quantitative 3d-analyse von netzhautschichten mit tiefenlernen Pending DE19158556T1 (de)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862633363P 2018-02-21 2018-02-21
US201862633363P 2018-02-21
US201916277319 2019-02-15
US16/277,319 US10878574B2 (en) 2018-02-21 2019-02-15 3D quantitative analysis of retinal layers with deep learning
EP19158556.1A EP3530176B1 (de) 2018-02-21 2019-02-21 Quantitative 3d-analyse von netzhautschichten mit tiefenlernen

Publications (1)

Publication Number Publication Date
DE19158556T1 true DE19158556T1 (de) 2019-11-14

Family

ID=65520144

Family Applications (1)

Application Number Title Priority Date Filing Date
DE19158556.1T Pending DE19158556T1 (de) 2018-02-21 2019-02-21 Quantitative 3d-analyse von netzhautschichten mit tiefenlernen

Country Status (4)

Country Link
US (1) US10878574B2 (de)
EP (1) EP3530176B1 (de)
JP (1) JP6842481B2 (de)
DE (1) DE19158556T1 (de)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016120775A1 (de) 2015-11-02 2017-05-04 Cognex Corporation System und Verfahren zum Erkennen von Linien in einem Bild mit einem Sichtsystem
US10937168B2 (en) * 2015-11-02 2021-03-02 Cognex Corporation System and method for finding and classifying lines in an image with a vision system
US11182914B2 (en) 2018-05-21 2021-11-23 Facebook Technologies, Llc Dynamic structured light for depth sensing systems based on contrast in a local area
JP7229881B2 (ja) * 2018-08-14 2023-02-28 キヤノン株式会社 医用画像処理装置、学習済モデル、医用画像処理方法及びプログラム
WO2020036182A1 (ja) * 2018-08-14 2020-02-20 キヤノン株式会社 医用画像処理装置、医用画像処理方法及びプログラム
US11191492B2 (en) * 2019-01-18 2021-12-07 International Business Machines Corporation Early detection and management of eye diseases by forecasting changes in retinal structures and visual function
JP7254682B2 (ja) * 2019-11-22 2023-04-10 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
CN111738357B (zh) * 2020-07-24 2020-11-20 完美世界(北京)软件科技发展有限公司 垃圾图片的识别方法、装置及设备
CN115330993B (zh) * 2022-10-18 2023-03-24 小手创新(杭州)科技有限公司 一种基于低运算量的回收系统新进物判别方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4466968B2 (ja) * 2008-11-10 2010-05-26 キヤノン株式会社 画像処理装置、画象処理方法、プログラム、及びプログラム記憶媒体
JP2011095921A (ja) * 2009-10-28 2011-05-12 Canon Inc 画像処理装置、画像処理方法及びプログラム
US8811745B2 (en) 2010-01-20 2014-08-19 Duke University Segmentation and identification of layered structures in images
JP5631339B2 (ja) * 2012-01-06 2014-11-26 キヤノン株式会社 画像処理装置、画像処理方法、眼科装置、眼科システム及びコンピュータプログラム
CN103514605B (zh) 2013-10-11 2016-01-20 南京理工大学 基于hd-oct视网膜图像的脉络膜层自动分割方法
JP6209069B2 (ja) * 2013-11-26 2017-10-04 日本電信電話株式会社 境界検出装置、境界検出方法及びコンピュータプログラム
US10463247B2 (en) * 2015-06-22 2019-11-05 The Regents Of The University Of California Automatic three-dimensional segmentation method for OCT and doppler OCT angiography
WO2017030056A1 (ja) * 2015-08-19 2017-02-23 興和株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
US10123689B2 (en) * 2015-10-28 2018-11-13 Oregon Health & Science University Systems and methods for retinal layer segmentation in OCT imaging and OCT angiography
WO2017143300A1 (en) * 2016-02-19 2017-08-24 Optovue, Inc. Methods and apparatus for reducing artifacts in oct angiography using machine learning techniques
US9972092B2 (en) 2016-03-31 2018-05-15 Adobe Systems Incorporated Utilizing deep learning for boundary-aware image segmentation
US20180012359A1 (en) 2016-07-06 2018-01-11 Marinko Venci Sarunic Systems and Methods for Automated Image Classification and Segmentation
JP6867117B2 (ja) * 2016-07-08 2021-04-28 株式会社トプコン 医用画像処理方法及び医用画像処理装置

Also Published As

Publication number Publication date
JP6842481B2 (ja) 2021-03-17
US20190259163A1 (en) 2019-08-22
US10878574B2 (en) 2020-12-29
JP2019192215A (ja) 2019-10-31
EP3530176B1 (de) 2020-11-04
EP3530176A1 (de) 2019-08-28

Similar Documents

Publication Publication Date Title
DE19158556T1 (de) Quantitative 3d-analyse von netzhautschichten mit tiefenlernen
DE102008046859B4 (de) 3D Segmentierung von allgemeiner Läsion in CT
DE602004009960T2 (de) System und verfahren zum erkennen und vergleichen anatomischer strukturen unter verwendung von erscheinungsbild und form
DE69937897T2 (de) System und verfahren zur 4d rekonstruktion und darstellung
DE60023447T2 (de) Verfahren zur berechnung der lage und ausrichtung eines objektes im dreidimensionalen raum
DE102008007231B4 (de) Verfahren und System zum Berechnen eines Vesselness-Maßes und Gefäßbaummodellierung mittels dieses Vesselness-Maßes
DE112016004266T5 (de) Verfahren zur Gesichtsausrichtung
EP3336800B1 (de) Bestimmen einer trainingsfunktion zum generieren von annotierten trainingsbildern
DE60123378T2 (de) Digitales Bildverarbeitungsverfahren mit verschiedenen Arbeitsweisen zum Erkennen von Augen
DE112015006160T5 (de) Emotionsschätzvorrichtung und Emotionsschätzverfahren
WO2017032775A9 (de) Aktives maschinelles lernen zum trainieren eines ereignisklassifikators
DE102014213408B4 (de) Verfahren zur Ermittlung eines dreidimensionalen Modelldatensatzes eines wenigstens ein Gefäßsegment umfassenden Blutgefäßsystems
CN103871054B (zh) 一种基于组合指标的图像分割结果定量评价方法
EP2430837A1 (de) Bildverarbeitungsverfahren zur bestimmung von tiefeninformation aus wenigstens zwei mittels eines stereokamerasystems aufgenommenen eingangsbildern
DE60303138T2 (de) Vergleichen von mustern
DE14159957T1 (de) Verfahren zur Segmentierung der Sehnervenscheibe
DE10304360A1 (de) Unstarre Bilderfassung unter Verwendung von Abstandsfunktionen
CN108830856A (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
EP2433245A1 (de) Vorrichtung und verfahren zur identifizierung des urhebers eines kunstwerkes
DE60220118T2 (de) Vorrichtung, Verfahren und Programm zum Vergleichen von Mustern
DE102011081541A1 (de) Bildverarbeitungsvorrichtung, bildverarbeitungsverfahren und programmspeicherträger
DE102005025220A1 (de) Gerät, Verfahren und Programm zum Beseitigen von Poren
DE602004004594T2 (de) Verfahren zur messung des naheverhältnisses zweier konturen und system zur automatischen zielidentifikation
DE102015217948B4 (de) Verfahren zur Segmentierung eines Organs und/oder Organbereiches in Volumendatensätzen der Magnetresonanztomographie
DE60009746T2 (de) Verfahren zur registrierung von abscheidungsmustern